Ricerca Approfondita: Una Revisione Sistematica
Deep Research: A Systematic Survey
November 24, 2025
Autori: Zhengliang Shi, Yiqun Chen, Haitao Li, Weiwei Sun, Shiyu Ni, Yougang Lyu, Run-Ze Fan, Bowen Jin, Yixuan Weng, Minjun Zhu, Qiujie Xie, Xinyu Guo, Qu Yang, Jiayi Wu, Jujia Zhao, Xiaqiang Tang, Xinbei Ma, Cunxiang Wang, Jiaxin Mao, Qingyao Ai, Jen-Tse Huang, Wenxuan Wang, Yue Zhang, Yiming Yang, Zhaopeng Tu, Zhaochun Ren
cs.AI
Abstract
I grandi modelli linguistici (LLM) si sono rapidamente evoluti da generatori di testo a potenti risolutori di problemi. Tuttavia, molti compiti aperti richiedono pensiero critico, l'integrazione di molteplici fonti e output verificabili, caratteristiche che vanno oltre il prompting one-shot o la generazione aumentata dal recupero standard. Recentemente, numerosi studi hanno esplorato la Ricerca Approfondita (Deep Research, DR), che mira a combinare le capacità di ragionamento degli LLM con strumenti esterni, come i motori di ricerca, consentendo così agli LLM di agire come agenti di ricerca in grado di portare a termine compiti complessi e aperti. Questo survey fornisce una panoramica completa e sistematica dei sistemi di ricerca approfondita, includendo una roadmap chiara, i componenti fondamentali, le tecniche di implementazione pratica, le sfide importanti e le direzioni future. Nello specifico, i nostri principali contributi sono i seguenti: (i) formalizziamo una roadmap in tre fasi e distinguiamo la ricerca approfondita dai paradigmi correlati; (ii) introduciamo quattro componenti chiave: pianificazione delle query, acquisizione delle informazioni, gestione della memoria e generazione della risposta, ciascuna associata a sottotassonomie granulari; (iii) riassumiamo le tecniche di ottimizzazione, inclusi il prompting, il fine-tuning supervisionato e l'apprendimento per rinforzo agentivo; e (iv) consolidiamo i criteri di valutazione e le sfide aperte, con l'obiettivo di guidare e facilitare lo sviluppo futuro. Poiché il campo della ricerca approfondita continua a evolversi rapidamente, ci impegniamo ad aggiornare costantemente questo survey per riflettere i progressi più recenti in quest'area.
English
Large language models (LLMs) have rapidly evolved from text generators into powerful problem solvers. Yet, many open tasks demand critical thinking, multi-source, and verifiable outputs, which are beyond single-shot prompting or standard retrieval-augmented generation. Recently, numerous studies have explored Deep Research (DR), which aims to combine the reasoning capabilities of LLMs with external tools, such as search engines, thereby empowering LLMs to act as research agents capable of completing complex, open-ended tasks. This survey presents a comprehensive and systematic overview of deep research systems, including a clear roadmap, foundational components, practical implementation techniques, important challenges, and future directions. Specifically, our main contributions are as follows: (i) we formalize a three-stage roadmap and distinguish deep research from related paradigms; (ii) we introduce four key components: query planning, information acquisition, memory management, and answer generation, each paired with fine-grained sub-taxonomies; (iii) we summarize optimization techniques, including prompting, supervised fine-tuning, and agentic reinforcement learning; and (iv) we consolidate evaluation criteria and open challenges, aiming to guide and facilitate future development. As the field of deep research continues to evolve rapidly, we are committed to continuously updating this survey to reflect the latest progress in this area.